Update app.py

app.py

@@ -1,3 +1,67 @@
+# import pandas as pd
+# import streamlit as st
+# from transformers import pipeline
+# from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, balanced_accuracy_score
+
+# # Charger le modèle pré-entraîné
+# classifier_model = "morit/french_xlm_xnli"
+# #classifier_model ="MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7"
+# classifier = pipeline("zero-shot-classification", model=classifier_model)
+
+# # Charger les données depuis le fichier CSV
+# df = pd.read_csv("fic.csv",sep=";")
+# # Récupérer les commentaires en liste
+# comments = df["text"].tolist()
+
+# # Afficher l'entête
+# st.header("Analyse de Texte")
+
+# # Créer une selectbox pour choisir un commentaire
+# selected_comment = st.selectbox("Veuillez sélectionner un commentaire", comments)
+
+# # Afficher le commentaire sélectionné dans l'input text
+# text = st.text_area('Entrer le texte à analyser', value=selected_comment)
+
+# # Labels candidats pour la classification
+# candidate_labels = [1,0]
+
+# # Modèle de phrase pour la formation de l'hypothèse
+# hypothesis_template = "Cet exemple est un  {}."
+
+# # Exécuter la classification seulement si du texte est entré
+# if text and candidate_labels:
+#     result = classifier(text, candidate_labels, hypothesis_template=hypothesis_template)
+    
+#     #st.info(f"Résultat: {result['labels'][0]} avec une confiance de {result['scores'][0]*100:.2f}%")
+#     if result['labels'][0]==1:
+#         st.info(f"Résultat: commentaire positive avec une confiance de {result['scores'][0]*100:.2f}%")
+#     if result['labels'][0]==0:
+#         st.info(f"Résultat: commentaire negative avec une confiance de {result['scores'][0]*100:.2f}%")
+# else:
+#     st.write("Veuillez entrer du texte pour l'analyse.")
+
+# # Calculer les métriques de performance (vous devez ajuster ces lignes selon votre tâche)
+
+# inputs = df["text"].tolist()
+# true_labels = df["label"].tolist()
+# predictions = classifier(inputs, candidate_labels, hypothesis_template=hypothesis_template)
+# predicted_labels = [result['labels'][0] for result in predictions]
+    
+# accuracy = accuracy_score(true_labels, predicted_labels)
+# precision = precision_score(true_labels, predicted_labels, average='binary')  
+# recall = recall_score(true_labels, predicted_labels, average='binary')  
+# f1 = f1_score(true_labels, predicted_labels, average='binary') 
+# balanced_accuracy = balanced_accuracy_score(true_labels, predicted_labels)
+
+# # Afficher les métriques sous forme de tableau
+# st.header("Métriques de Performance")
+# metrics_df = pd.DataFrame({
+#         "Métrique": ["Accuracy", "Precision", "Recall", "F1-score", "Balanced Accuracy"],
+#         "Valeur": [accuracy, precision, recall, f1, balanced_accuracy]
+#     })
+# st.table(metrics_df)
+# # a continuer
+
 import pandas as pd
 import streamlit as st
 from transformers import pipeline
@@ -5,11 +69,10 @@ from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_sc
 
 # Charger le modèle pré-entraîné
 classifier_model = "morit/french_xlm_xnli"
-#classifier_model ="MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7"
 classifier = pipeline("zero-shot-classification", model=classifier_model)
 
 # Charger les données depuis le fichier CSV
-df = pd.read_csv("fic.csv",sep=";")
+df = pd.read_csv("fic.csv", sep=";")
 # Récupérer les commentaires en liste
 comments = df["text"].tolist()
 
@@ -23,42 +86,39 @@ selected_comment = st.selectbox("Veuillez sélectionner un commentaire", comment
 text = st.text_area('Entrer le texte à analyser', value=selected_comment)
 
 # Labels candidats pour la classification
-candidate_labels = [1,0]
+candidate_labels = [1, 0]
 
 # Modèle de phrase pour la formation de l'hypothèse
 hypothesis_template = "Cet exemple est un  {}."
 
-# Exécuter la classification seulement si du texte est entré
-if text and candidate_labels:
-    result = classifier(text, candidate_labels, hypothesis_template=hypothesis_template)
-    
-    #st.info(f"Résultat: {result['labels'][0]} avec une confiance de {result['scores'][0]*100:.2f}%")
-    if result['labels'][0]==1:
-        st.info(f"Résultat: commentaire positive avec une confiance de {result['scores'][0]*100:.2f}%")
-    if result['labels'][0]==0:
-        st.info(f"Résultat: commentaire negative avec une confiance de {result['scores'][0]*100:.2f}%")
-else:
-    st.write("Veuillez entrer du texte pour l'analyse.")
-
-# Calculer les métriques de performance (vous devez ajuster ces lignes selon votre tâche)
-
-inputs = df["text"].tolist()
-true_labels = df["label"].tolist()
-predictions = classifier(inputs, candidate_labels, hypothesis_template=hypothesis_template)
-predicted_labels = [result['labels'][0] for result in predictions]
-    
-accuracy = accuracy_score(true_labels, predicted_labels)
-precision = precision_score(true_labels, predicted_labels, average='binary')  
-recall = recall_score(true_labels, predicted_labels, average='binary')  
-f1 = f1_score(true_labels, predicted_labels, average='binary') 
-balanced_accuracy = balanced_accuracy_score(true_labels, predicted_labels)
-
-# Afficher les métriques sous forme de tableau
-st.header("Métriques de Performance")
-metrics_df = pd.DataFrame({
+# Ajouter un bouton pour déclencher l'analyse
+if st.button("Analyser le texte"):
+    if text and candidate_labels:
+        result = classifier(text, candidate_labels, hypothesis_template=hypothesis_template)
+        
+        if result['labels'][0] == 1:
+            st.info(f"Résultat: commentaire positif avec une confiance de {result['scores'][0]*100:.2f}%")
+        if result['labels'][0] == 0:
+            st.info(f"Résultat: commentaire négatif avec une confiance de {result['scores'][0]*100:.2f}%")
+    else:
+        st.write("Veuillez entrer du texte pour l'analyse.")
+
+    # Calculer les métriques de performance (vous devez ajuster ces lignes selon votre tâche)
+    inputs = df["text"].tolist()
+    true_labels = df["label"].tolist()
+    predictions = classifier(inputs, candidate_labels, hypothesis_template=hypothesis_template)
+    predicted_labels = [result['labels'][0] for result in predictions]
+
+    accuracy = accuracy_score(true_labels, predicted_labels)
+    precision = precision_score(true_labels, predicted_labels, average='binary')
+    recall = recall_score(true_labels, predicted_labels, average='binary')
+    f1 = f1_score(true_labels, predicted_labels, average='binary')
+    balanced_accuracy = balanced_accuracy_score(true_labels, predicted_labels)
+
+    # Afficher les métriques sous forme de tableau
+    st.header("Métriques de Performance:Elles sont evaluées sur des données labelisés")
+    metrics_df = pd.DataFrame({
         "Métrique": ["Accuracy", "Precision", "Recall", "F1-score", "Balanced Accuracy"],
         "Valeur": [accuracy, precision, recall, f1, balanced_accuracy]
     })
-st.table(metrics_df)
-# a continuer
-
+    st.table(metrics_df)